Застосування молекулярного докінгу

Связующий карман: форма и химия должны совпадать

Связующий карман белка — это углубление или полость на его поверхности, выстланное определенным расположением боковых цепей аминокислот — некоторые гидрофобные, некоторые заряженные, некоторые способные образовывать водородные связи. Лиганд связывается хорошо только в том случае, если его форма и химическая поверхность соответствуют этому карману, подобно ключу, который подходит к замку. Но биология редко предоставляет нам жесткий замок: многие белки слегка изменяют форму своего кармана по мере приближения лиганда, расширяя углубление или поворачивая боковую цепь, чтобы плотнее обнять молекулу, — это явление называется индуцированным приспособлением. Программное обеспечение для моделирования связывания должно учитывать обе идеи — соответствие лиганда геометрии существующего кармана и возможность некоторой гибкости с обеих сторон. Точное совпадение этих двух факторов, даже приблизительное, определяет разницу между лигандом, который сильно связывается, и тем, что едва прилипает.

Пошук конформаційного простору

Ліганд, що плаває біля білка, має величезну кількість способів розташуватися в кишені: він може переміщатися у трьох вимірах, обертатися навколо трьох осей і, якщо у нього є гнучкі зв’язки, внутрішньо згинатися в різні форми, які називаються конформаціями. Алгоритми моделювання досліджують цей величезний простір систематично або випадково, генеруючи кандидатські позиції та перевіряючи кожну з них. Прості стратегії пошуку випадково штовхають положення та орієнтацію ліганда, подібно до імітованого випромінювання, поступово віддаючи перевагу рухам, які здаються перспективними, одночасно дозволяючи певному дослідженню, щоб уникнути потрапляння в локальні мінімальні значення. Більш просунуті методи використовують генетичні алгоритми або градієнтне оптимізування. Незалежно від методу, мета однакова: випробувати достатньо геометричних та обертальних можливостей кишені, щоб справжня найкраща відповідна позиція не була пропущена, без ретельного перевіряння кожного комбінації, що було б обчислювально неможливим.

Оцінка зв’язності: Приклад

Коли генерується початковий варіант положення, функція оцінки розраховує, наскільки сприятливою була б така взаємодія. Уявіть собі, що це сума кількох факторів: сили Ван-дер-Ваальса заохочують атоми, які щільно прилягають один до одного без перешкод, водневі зв’язки заохочують узгоджені пари донор-акцептор між лігандом і білком, а електричні сили заохочують близьке розташування зарядів. Але є й негативний фактор: якщо ліганд виходить з навколишнього водного шару, це потребує енергії. Найкращий варіант положення – той, де сприятливі фактори переважають, а не витрати енергії.

Молекулярний докінг у схемі пошуку ліків

На практиці молекулярний докінг рідко оцінює лише одну молекулу – він використовується у віртуальному скринінгу, де програмне забезпечення докінгу та оцінює сотні тисяч або мільйони кандидатів з хімічної бібліотеки проти кишені цільового білка. Цей обчислювальний фільтр значно звужує коло пошуку перед початком будь-яких експериментальних досліджень, ранжуючи сполуки за прогнозованою афінністю та виділяючи кілька сотень або тисяч найбільш перспективних. Ці топ-потенційні кандидати переходять до експериментальної валідації: хіміки синтезують або замовляють фізичні сполуки, а біохімічні аналізи вимірюють, чи дійсно вони зв'язуються та інгібують цільовий білок як передбачалося. Оскільки функції оцінювання не є ідеальними, багато обчислювальних «попадалень» зазнають невдачі в реальному тестуванні, але навіть помірне покращення відносно випадкового угадування дозволяє заощадити величезний час та вартість, роблячи докінг стандартним раннім етапом сучасних схем пошуку ліків.

Часті запитання

Наскільки точним є молекулярне моделювання при прогнозуванні реальної зв’язки?

Моделювання найкраще розуміється як швидкий, приблизний фільтр, а не точний інструмент прогнозування. Функції оцінювання корелюють відносно добре з експериментальною зв’язковою силою для багатьох цілей, особливо коли ранжуються схожі молекули в один і той самий карман, але абсолютні передбачені енергії часто є ненадійними. Моделювання зазвичай збагачує список кандидатів справжніми зв’язувачами вище випадкового шансу, що цінно навіть якщо багато окремих прогнозів виявляються неправильними. Точність також дуже сильно варіюється залежно від цілі: жорсткі, добре визначені кармани моделюються надійніше, ніж кармани, які зазнають значних змін конформації при зв’язуванні. Саме тому результати моделювання завжди перевіряються експериментально, а не довіряються беззастережно, і дослідники часто поєднують кілька функцій оцінювання або запускають молекулярну динаміку для уточнення найкращих кандидатів.}, {

Яка різниця між моделюванням та молекулярною динамікою?

Моделювання — це метод пошуку та оцінювання: воно генерує багато кандидатів у позиціях у кишені та ранжує їх за допомогою відносно простої функції оцінювання, все влітку секунд до хвилин на молекулу. Молекулярна динаміка моделює фактичну фізичну рухливість кожного атома протягом часу, використовуючи детальні силові поля, захоплюючи гнучкість, ефекти розчинника та викликаний притіс набагато реалістичніше, але за значних обчислювальних витрат — часто годинами до днів на систему. У практиці ці дві речі є взаємодоповнюючими: моделювання швидко звужує мільйони сполук до керованого списку кандидатів, а молекулярна динаміка або розрахунки вільної енергії потім уточнюють і перевіряють найкращих кандидатів з набагато більшою фізичною точністю перед тим, як зобов’язатися дорожчому експериментальному синтезу.

Чому алгоритми моделювання покладаються на випадковий або евристичний пошук замість перевірки кожної позиції?

Кількість можливих позицій ліганду астрономічно велика, коли ви комбінуєте три перекладні ступені свободи, три обертові та додаткові кути для кожного обертального зв’язку у гнучкій молекуці. Повне оцінювання всіх комбінацій з високою роздільною здатністю займе більше часу, ніж вік Всесвіту, навіть для помірних за розміром лігандів. Евристичні методи, такі як імітований annealing, генетичні алгоритми та градієнтне зниження, замість цього розумно вибірково досліджують цей простір, витрачаючи більше зусиль на перспективні регіони та менше на явно невигідні. Це обмінює гарантію знаходження абсолютно глобального оптимуму на практичний час виконання, і в результаті ці методи надійно знаходять майже оптимальні позиції, особливо коли їх поєднують з кількома незалежними запусками для перевірки збіжності.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Molecular Docking: Ligand Binding Search і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.

▶ Відкрити симуляцію Molecular Docking: Ligand Binding Search